深度学习理论在智能小车中的应用与研究

2018-04-15解放军炮兵防空兵学院米天峰

电子世界 2018年13期

解放军炮兵防空兵学院米天峰

1.引言

随着人工智能、机器学习、模式识别、物联网等计算机技术的发展，汽车电子也得到了极大的改进，智能小车已经扩展了传统意义的交通乘用工具，开始向多元化综合应用领域发展，并且人工智能技术的应用也促使了汽车动力性、经济性越来越高，行驶安全性越来越好，功能应用更加广泛，具有重要的作用和意义[1]。本文详细地描述深度学习在智能小车研发中的应用，同时结合智能小车的应用现状探索和展望了人工智能技术结合程度，更好地研发、制造、生产智能性汽车，确保人类社会的交通运输、探险探索安全可靠。

2.深度学习理论

深度学习来源于人工神经网络，包含多个隐藏层的感知器就属于一个深度学习结构，其可以有效地组合底层特征，形成一个更加抽象的高层表示属性类别或特征，发现数据分布式特征。研发发现可以使用多种方式描述深度学习的观测值，比如特征向量、轮廓区域等，更容易从海量数据中进行实例学习，生成一个准确的网络结构，提高机器学习的准确度[2]。经过多年的普及和使用，深度学习已经得到了极大的改进，引入了更多先进技术，取得了显著的应用成效，比如诞生了置信神经网络等，同时也广泛应用于图像识别、语音识别、基因识别、视觉导航等领域，并且吸引了谷歌、百度、腾讯、微软、阿里巴巴、英特尔等公司研究，并且诞生了越来越多的研究成果，智能小车就是其中关键应用领域之一。

3.智能小车应用现状

智能小车是一个集成化的软硬件平台，其主要功能包括智能驾驶系统、阿沁防护系统、位置服务系统、辅助驾驶系统、信息查询系统等，主要由三大关键技术组成，分别是传感器、控制器和执行器，可以利用机器视觉完成检测功能，实现激光测距、红外摄像和雷达控制，利用TD-LTE或物联网等实现通信传输，协调汽车各个组成软硬件完成一系列功能[3]。因此，智能小车不仅可以实现自动驾驶功能、娱乐视频服务、卫星定位服务，同时还可以实现障碍物排除、深空深海探险功能[3]。

（1）自动驾驶。智能小车利用视觉导航技术可以判定周边车距、障碍物分布情况，然后实现方向自动控制，前进、倒车、侧方位停车等，这也是智能小车最基本的功能。

（2）深空深海探险功能。智能小车携带各类型的摄像机，包括网络摄像机或红外摄像机，能够实现水下、深空等不同位置的照片拍摄，将这些照片传输到服务器，实现信息加工和处理，以便能够探索人类未知又无法到达的世界。

4.深度学习理论在智能小车研发中的应用

深度学习技术的发展和普及，极大地推动了智能小车目标检测的应用和研究。深度学习在智能小车中的应用如下：车载摄像头可以采集视频，接着可以针对传感器或摄像头采集到的图像进行预处理，获取图像中的车辆、驾驶员或障碍物图片，标定出这些对象的位置、大小。一副图像或一帧视频图像包含的内容非常丰富，模式特征也较多，比如直方图特征、模板各种、颜色特征、结构特征等，图像检测就是可以将有价值的信息挑出来，利用这些特征实现对象检测。图像识别时，由于申请对象拍摄的照片光线不均匀，因此图像识别时产生的噪声数据非常多，需要利用二值法、阈值法等针对图像进行预处理，降低图像识别时的噪声数据，更加准确的获取图像内容。深度学习构建了多层次的神经网络提取图像特征，然后针对特征内容进行分类，将图像划分为背景内容、目标对象，然后针对图像进行加工，将这些内容与数据库中保存的模式进行比对，更好的识别申请对象提交的内容。这样就可以更好的完成目标检测。目前智能小车目标检测主要包括两类，分别是基于区域的方法和无区域的方法。区域深度学习技术采用选择性搜索策略提取候选区域，从学习网络中的每个区域提取固定长度的特征向量，经过多个卷积层和全连接层进行处理，可以得到一个高纬度特征向量进行分类，这样就可以获取区域高度的交叠。无区域深度学习将目标检测看作是一个回归问题，其可以估计图像中的目标位置和类型概率，采取深度神经网络的回归输出目标轮廓，更加有利于分类特征描述，准确捕获目标几何信息。

5.智能小车融合人工智能技术的探索与展望

智能小车作为人工智能和汽车工业的紧密结合体，改变了传统意义上的汽车概念，促进人类社会迈入到了智能驾驶、无人驾驶时代。未来，智能小车将会引入更多的人工智能技术，为汽车装上“眼睛”、“大脑”和“脚”，实现独立的思考、判断和行走，比如自动启动、自动加速、自动刹车、自动绕行障碍物等，同时能够利用高速图像处理技术实时地随机应变，选择最佳的执行方案，指挥汽车安全可靠行驶。本文经过总结和归纳，认为未来人工智能和智能小车的发展趋势可能包括以下几个方面：一是提高目标检测的速度，进一步将深度学习网络与硬件结合，实现多目标处理和微目标处理，能够更好地提升智能小车检测目标物体精确度、可靠度和高速度；二是提高目标数据检测背景的分辨能力，随着摄像机拍摄视频图像的应用环境日趋复杂，数据检测需要提高未来背景检测的分辨能力，从高分辨率和高频度背景中识别目标，同时提高人工智能技术的泛化学习能力，避免过度的拟合造成准确度降低，确保目标检测数据多样化。